刘赛男 石振国 王国涛 吴小景

(1.南通大学电子信息学院，江苏 南通 226019； 2.南通大学计算机科学与技术学院，江苏 南通 226029)

·计算机技术及应用·

一种面向认知网络的不确定性评价方法★

刘赛男1石振国2王国涛1吴小景1

(1.南通大学电子信息学院，江苏 南通 226019； 2.南通大学计算机科学与技术学院，江苏 南通 226029)

针对认知网络性能评估中存在的随机性和模糊性问题，提出了一种面向认知网络的不确定性评价方法，该方法引入了云模型理论，研究并提出了基于云模型的认知网络性能评估方法，实现了认知网络性能评价的定量与定性互换，并通过实验验证了该评价方法的可行性。

认知网络，下一代网络，性能评价，云模型

认知网络[1](Cognitive Network)是目前国内外关于下一代智能网络研究中的热点话题[2-4]。区别于传统的网络，认知网络能够感知自身网络状态和外部环境，并以端到端网络性能QoS(Quality of Service)为目标，着眼于整个网络，动态实时地调整网络内部配置，智能地适应变化的环境。因此，为了确保认知网络的资源能够得到合理配置，并能最终为用户提供优质的服务质量，如何有效评价认知网络服务性能显得尤为重要。文献[5]通过刻画出一种新的认知网络数据到达特征和信道服务特征，进而分别从积压与时延两个指标评价认知网络的性能。文献[6]提出了一个认知网络管理模型，模型中引入认知测量系统，持续监测和诊断网络性能的潜在问题。文献[7]采用效用函数并利用中断管理机制和认知网络的主动特性，提出了一种保障用户QoS水平的方法。目前，关于认知网络的性能评价大多是孤立地去考虑某些性能指标，未能考虑各个性能指标在评价过程中的不确定性。

各个指标采用的评估方式不同，有的只能采用自然语言表示，有的可以用精确数值表示。因此，如何处理这种评价过程中的不确定性，从而准确评估认知网络的性能成为了研究的关键。

为解决上述问题，本文在云模型[8]相关理论的基础上，以认知网络中的业务传输为研究背景，提出了一种面向认知网络的不确定性评价方法，有效地解决了各项指标在评估过程中的随机性和模糊性问题。

1 评价模型

1.1 Cloud Model

云模型首先是由李德毅提出的一种不确定智能转化模型，最早应用在人工智能领域，主要反映的是概念上的不确定性，即模糊性和随机性。它用三个数字特征来描述，即期望值Ex,熵En和超熵He。其中期望值Ex为概念上的标准值，反映了相应的定性概念的信息中心值；熵En是定性概念不确定程度的度量，熵越大，概念就越模糊；超熵He为熵的熵，反映了云的离散程度，即确定度的不确定性[8]。

2)云发生器。

正向云发生器和逆向云发生器是云模型中两个最重要的算法[9]。正向云发生器实现定性概念到定量表示的转换，即由云的数字特征产生云滴。逆向云发生器实现定量表示到定性概念的转换，即由云滴群得到云的数字特征。

正向云发生器算法：

a.生成以En为均值，方差为He2的正态随机数En′；

b.生成以Ex为均值，方差为En′2的正态随机数x；

专职队伍不断精壮，培育活力。省公司设置专职纪委书记，监察部专职纪检人员从2016年年初的5人扩充到14人，每个市州分公司都有3～4名专职纪检人员， 6个较大的县分公司配备了专职人员，其他县分公司均配备了兼职人员。

c.计算y=e-(x-Ex)2/2(En′)2；

d.使(x,y)成为论域中的一个云滴；

e.重复上述步骤直到产生规定的云滴。

逆向云发生器算法：

1.2 基于Cloud Model的认知网络性能评估模型

在认知网络性能评估中，只有多个指标达到均衡最优，端到端网络性能才能达到最佳状态。因此，性能评估过程中，应先测量基本性能指标，再通过综合分析这些基指标得出当前网络的整体运营情况。具体来讲，首先由认知用户进行本地感知，获取域内结点的QoS参数信息，并汇报给各自的域认知服务器，然后各个域的认知服务器将信息汇报给至智能评价模块，进行最终的网络性能评估。

考虑到认知网络中网络运行的实际情况以及网络评价过程的模糊性和随机性问题，本文借助云模型理论，通过对各个基指标进行综合评估获得网络整体运行情况。评估模型如图2所示。为了更好的评价网络综合性能，在对各指标进行测量评估时，可以根据具体情况预先指定各指标权重，最后再进行网络的综合性能评判，本文中采用的是利用模糊层次分析法(Fuzzy Analytical Hierarchy Process)[10]来确定各个指标权重大小。其评价模型如图1所示。

2 评价算法

性能评估具体步骤如下：

Input：从认知网络各数据采集点所获QoS信息，X={x1,x2,…,xn}。

Output：认知网络性能的综合评价云。

step1：采集QoS信息并建立认知网络的性能评价指标论域X={{x11,x12,…,x1k},{x21,x22,…,x2k},…，{xn1,xn2,…,xnk}}。

step2：建立评语论域Y={y1,y2,…,ym}。

step3：采用模糊层次分析法计算各指标对应权重W={w1,w2,…,wn}。

step4：采用云模型理论计算论域X对应于评语域Y的隶属度，并与标准云对比，得到认知网络性能的综合评价云。

3 实验验证与分析

3.1 认知网络实验环境

本文采用网络仿真工具NS2搭建认知网络仿真平台。实验拓扑结构如图2所示。图中共分为3个认知域，有15个结点，其中包括12个叶结点表示主机，3个非叶结点表示域内服务器，以数据传输业务为例。各个域认知服务器获得的参数值如表1所示，是一个参数三元组(时延/ms，抖动/ms，丢包率)，其中T9～T12为链路L1到L2重载情况。

表1 仿真结果

3.2 FAHP权值计算

利用模糊层次分析法获取指标权重如图3所示。

3.3 性能评估

将测得的认知网络各性能参数的数据样本输入评价系统，所得评价结果如图4所示。从图中可以看出，总的来说，网络性能还是比较好的。图5展示了不同时间段、不同负载情况下的网络性能对比图。可以看出，T1～T8和T13～T16阶段，网络负载正常，网络性能较理想，而在T9～T12时间段里，由于网络处于重载情况，所以网络性能不是很理想。从评价结果可以看出，本文所提出的认知网络性能评价方法较为准确地反映了网络的性能情况。与传统的网络性能评价方法相比，更能体现出网络性能评估过程中的随机性与模糊性，使评价结果的可信度大大提高。

4 总结与展望

本文针对认知网络性能评估中存在的各种随机性和模糊性问题，结合云模型相关理论，并将模糊层次分析法应用于评估指标之间的权值计算，从不确定性角度对认知网络进行了端到端性能评价。该评价方法利用云滴产生过程中的不确定性和稳定的趋向性模拟不同专家对相同现象的不同评估结果，实现了网络性能评估值向评语域的不确定性转换。仿真实验结果表明了该评价方法的可行性。文中的评价结果是在仿真情况下获得，如何将认知网络的性能评估问题推广到实际应用中是下一步研究工作中的重点。

[1] Thomas R,DaSilva L.Cognitive Networks[C].Proc.IEEE DySPAN 2005,Maryland,USA,Nov,2005:352-360.

[2] Sakellari’Georgia.The cognitive packet network:A survey[J].Computer Journal,2010,53(3):268-279.

[3] Hey Laurence A.Reduced complexity algorithm for cognitive packet network[J].Computer Communications,2008,31(16):3822-3830.

[4] Sarkar Dilip.Transport layer protocols for cognitive networks[A].IEEE Conference on Computer Communications Workshops[C].San Diego,CA,United States,2010:1-6.

[5] 陈 昕，徐 彤，向旭东，等.具有并行信道的认知无线网络性能评价研究[J].计算机研究与发展，2013，50(10):2126-2132.

[6] Dr.Contains.An Introduction to the Cognitive Concept as a Cost-Effective Method for Network Performance Management[C].IEEE Wireless Communications and Networking Conference,2008:3197-3201.

[7] 冯光升，王慧强，马春光，等.面向认知网络的用户QoS动态自配置方法[J].通信学报，2010,31(3):133-140.

[8] 李德毅，刘常昱，杜 鹢，等.不确定性人工智能[J].软件学报，2004,15(11):1583-1594.

[9] 李德毅，杜 鹢.不确定性人工智能[M].北京：国防工业出版社，2005.

[10] 张吉军.模糊层次分析法[J].模糊系统与数学，2000,14(2):80-88.

Uncertainty evaluation approach for cognitive network★

Liu Sainan1Shi Zhenguo2Wang Guotao1Wu Xiaojing1

(1.SchoolofElectronicInformation,NantongUniversity,Nantong226019,China;2.SchoolofComputerScienceandTechnology,NantongUniversity,Nantong226029,China)

In order to solve the existing performance evaluation of cognitive network of random and fuzzy problems, a method for evaluating the uncertainty of cognitive network is proposed in this paper. The paper studies and puts forward the cognitive network performance evaluation method based on Cloud Model, which implements the quantitative and qualitative swaps of cognitive network performance. Through the experiment is given to demonstrate the feasibility of the evaluation method.

cognitive network, next generation network, performance evaluation, Cloud Model

2015-03-08★：本文受国家自然科学基金项目(项目编号：60975033)；国家自然科学基金项目(项目编号：61340037)；江苏省高校自然科学基金(项目编号：07KJB520096)资助

刘赛男(1990- )，女，在读硕士； 石振国(1964- )，男，博士，副教授

1009-6825(2015)14-0256-03

TP399

A